Адаптивное прототипное интерпретируемое градирование рака простаты

Адаптивное прототипное интерпретируемое градирование рака простаты

Адаптивное прототипное интерпретируемое градирование рака простаты было представлено 5 марта 2026 года, авторы — Сушмита Митра, Риддхасри Бхаттачарья, Паллаби Дутта. Рак простаты является одним из часто диагностируемых злокачественных новообразований у мужчин, и растущий спрос на биопсии создает серьезную нагрузку на патологов. Процедура градирования сложна и субъективна, что мотивирует разработку автоматизированных систем.

Несмотря на то, что глубокое обучение добилось успехов в производительности, его ограниченная интерпретируемость создает проблемы для широкого распространения в приложениях с высокими ставками, таких как медицина. Существующие методы интерпретируемости для классификаторов рака простаты предоставляют грубое объяснение, но не раскрывают, почему выделенные области важны. В связи с этим предлагается новый прототипный слабо контролируемый фреймворк для интерпретируемого градирования рака простаты по изображениям гистопатологии. Такие сети могут оказаться более надежными, поскольку их явный процесс рассуждения отражает рабочий процесс патолога при сравнении подозрительных областей с клинически подтвержденными примерами.

Сеть сначала предварительно обучается на уровне патчей для изучения надежных прототипических признаков, связанных с каждой стадией. Чтобы адаптировать ее к слабо контролируемой настройке для градирования рака простаты, сеть дообучается с новой функцией потерь, учитывающей прототипы. Вводится новый механизм динамического обрезания на основе внимания для обработки межвыборочной гетерогенности, выборочно подчеркивая соответствующие прототипы для оптимальной производительности. Обширная валидация на эталонных наборах данных PANDA и SICAP подтверждает, что фреймворк может служить надежным вспомогательным инструментом для патологов в их рутинной диагностической работе. Просмотр на Hugging Face Читать PDF

За пределами патча: изучение уязвимостей визуомоторных политик посредством 3D-адверсарного объекта, соответствующего точке обзора

За пределами патча: изучение уязвимостей визуомоторных политик посредством 3D-адверсарного объекта, соответствующего точке обзора, было представлено 5 марта 2026 года, авторы — Себин Ли, Сун-Эй Юн, Чанми Ли, Минсунг Юн, Вудже Ким. Нейронные сети, лежащие в основе визуомоторных политик, позволяют роботам выполнять манипуляционные задачи, но остаются уязвимыми к перцептивным атакам. Например, традиционные 2D-адверсарные патчи эффективны в условиях фиксированной установки камеры, где внешний вид относительно постоянен, однако их эффективность часто снижается при динамических точках обзора от движущихся камер, таких как запястные установки, из-за искажений перспективы.

Чтобы активно исследовать потенциальные уязвимости за пределами 2D-патчей, предлагается метод оптимизации адверсарной текстуры для 3D-объектов, соответствующей точке обзора, посредством дифференцируемого рендеринга. В качестве стратегий оптимизации используются Expectation over Transformation (EOT) с учебным планом Coarse-to-Fine (C2F), использующим частотные характеристики, зависящие от расстояния, для создания текстур, эффективных при различных расстояниях от камеры до объекта.

Дополнительно интегрируются адверсарные возмущения, управляемые визуальной заметностью, для перенаправления внимания политики, и разрабатывается целевая потеря, которая постоянно направляет роботов к адверсарным объектам. Комплексные эксперименты показывают, что предложенный метод эффективен в различных условиях окружающей среды, подтверждая его переносимость в режиме «черного ящика» и применимость в реальном мире. Просмотр на Hugging Face Читать PDF

Детерминированная предобработка и интерпретируемое нечеткое разделение на группы для отчетности о стоимости обучения на одного студента из извлеченных записей

Детерминированная предобработка и интерпретируемое нечеткое разделение на группы для отчетности о стоимости обучения на одного студента из извлеченных записей было представлено 5 марта 2026 года, авторы — Шейн Ли, Стелла Нг. Административные выписки часто обмениваются в виде электронных таблиц и могут рассматриваться как отчеты в своих собственных целях во время составления бюджета, анализа рабочей нагрузки и обсуждения управления. Когда экспортированная книга становится эталонным снимком для таких решений, преобразование можно проверить, пересчитав его по четко определенному вводу.

Реализован детерминированный, управляемый правилами, файловый рабочий процесс в cad_processor.py. Скрипт импортирует экспортную книгу базы данных случайных академиков (CAD) и агрегирует включенные дополнительные затраты и количество студентов в годовые и школьные итоги, из которых выводятся соотношения стоимости к студенту.

Скрипт создает обработанную книгу с четырьмя листами: Сводка обработки (запись запуска и счетчики), Анализ тенденций (матрица стоимости на одного студента в год), Отчет (широкая таблица на уровне предметов) и Нечеткие группы (годичные якоря, веса членства и метки групп). Запись запуска содержит хэш SHA-256 байтов входной книги для поддержки повторного вычисления, соответствующего снимку.

Для интерпретации в течение года рабочий процесс добавляет простой слой нечеткого разделения на группы, который помечает конечные, положительные годовые соотношения стоимости на одного студента как Низкие, Средние или Высокие. Годовые якоря — это минимум, медиана и максимум конечных, положительных соотношений. Веса членства вычисляются с использованием функций левого плеча, треугольника и правого плеча с детерминированным нарушением симметрии в фиксированном порядке приоритета (Средний, затем Низкий, затем Высокий). Эти веса рассматриваются как сигналы поддержки принятия решений, а не вероятности.

Приведенный пример обеспечивает воспроизводимый расчет присваивания группе на основе указанных якорей и соотношений. Дополнительные материалы включают матрицу претензий к доказательствам, примечание о воспроизводимости и краткий глоссарий, связывающий выбранные утверждения с кодом и артефактами книги. Просмотр на Hugging Face Читать PDF

Обратное выравнивание: языкозависимое обращение корректирующих вмешательств в многоагентных системах LLM на 16 языках

Обратное выравнивание: языкозависимое обращение корректирующих вмешательств в многоагентных системах LLM на 16 языках было представлено 5 марта 2026 года, автором — Хироки Фукуи. В лечении правонарушителей часто наблюдается разрыв между пониманием и действием: преступники выражают сожаление, но поведенческие изменения не следуют. Сообщается о четырех предварительно зарегистрированных исследованиях (1584 многоагентных моделирования на 16 языках и трех моделях) демонстрирующих, что корректирующие вмешательства в больших языковых моделях производят структурно аналогичное явление: поверхностную безопасность, которая маскирует или создает коллективную патологию и внутренний диссонанс.

В исследовании 1 (N = 150) увеличение количества агентов, обученных с помощью корректирующих инструкций, снизило коллективную патологию на английском языке (g = -1.844, p < .0001), но усилило ее на японском языке (g = +0.771, p = .038) — направленное изменение, которое мы называем «обратным выравниванием». Исследование 2 (N = 1174) расширилось до 16 языков: корректируемое диссонанс было почти повсеместным (15/16 языков; beta = 0.0667, p < .0001), в то время как коллективная патология разделилась по культурно-языковым линиям (взаимодействие beta = 0.0684, p = .0003), коррелирующее с Индексом дистанции власти (r = 0.474, p = .064). Исследование 3 (N = 180) протестировало индивидуализацию в качестве контрмеры: индивидуализированные агенты стали основным источником как патологии, так и диссонанса (DI = +1.120) при соответствии выше 84% — демонстрируя ятрогению.

Исследование 4 (N = 80) подтвердило закономерности в Llama 3.3 70B, GPT-4o-mini и Qwen3-Next-80B-A3B, подтверждая, что безопасность на английском языке является модель-общей, а обратное выравнивание на японском языке является модель-специфическим. Эти результаты переформулируют выравнивание как поведенческое вмешательство, подверженное гомеостазу риска и ятрогении. Языковое пространство — лингвистические, прагматические и культурные свойства, унаследованные от обучающих данных — структурно определяет результаты выравнивания. Безопасность, подтвержденная на английском языке, не переносится на другие языки, и вмешательства на уровне подсказок не могут преодолеть ограничения на уровне языкового пространства. Просмотр на Hugging Face Читать PDF

FedAFD: Мультимодальное федеративное обучение посредством адверсарного слияния и дистилляции

FedAFD: Мультимодальное федеративное обучение посредством адверсарного слияния и дистилляции было представлено 5 марта 2026 года, авторы — Цзюньчао Ма, Иньфу Фэн, Цзяцзюнь Дин, Вэньвэнь Пань, Тинтин Хан и 4 других. Мультимодальное федеративное обучение (MFL) позволяет клиентам с разнородными модальностями данных совместно обучать модели, не обмениваясь необработанными данными, предлагая структуру, сохраняющую конфиденциальность, которая использует дополнительные межмодальные сведения. Однако существующие методы часто упускают из виду индивидуальную производительность клиентов и испытывают трудности с несоответствиями модальностей/задач, а также с неоднородностью моделей.

Для решения этих проблем предлагается FedAFD, унифицированный фреймворк MFL, который улучшает обучение клиентов и сервера. На стороне клиента внедряется двухуровневая стратегия адверсарного выравнивания для выравнивания локальных и глобальных представлений внутри и между модальностями, снижая разрыв между модальностями и задачами.

Кроме того, разрабатывается модуль слияния, учитывающий гранулярность, для адаптивного интегрирования глобальных знаний в персонализированные признаки. На стороне сервера, для обработки неоднородности моделей, предлагается механизм ансамблевой дистилляции, управляемый сходством, который агрегирует представления клиентов на общих публичных данных на основе сходства признаков и дистиллирует слитые знания в глобальную модель. Обширные эксперименты, проведенные в условиях IID и non-IID, демонстрируют, что FedAFD достигает превосходной производительности и эффективности как для клиента, так и для сервера. Просмотр на Hugging Face Читать PDF